weixin_39925939的博客

之前服务器上的docker没有自动补齐功能，就按照docker官网提供的流程走了一遍https://docs.docker.com/compose/completion/#available-completions：最后出现报错"-bash: 404:: command not found"，docker的自动补齐命令也没有实现。检查了一下，发现/etc/bash_completion.d/docker-compose文件并没有下载成功，打开之后里面只有"404 Not Found"。所以要养成下载文

找不到公钥id_rsa.pub问题：通常公钥密钥文件都在路径~/.ssh或者/home/UserName/.ssh下面，使用cat ~/.ssh/id_rsa.pub就可以显示公钥。但是前几天我在配置的时候发现找不到相应文件。解决方案：在重新生成密钥公钥的时候，显示说密钥已存在，仔细检查才发现我的公钥在/root/.ssh路径中。push失败push失败时可以先用ssh -T git@github.com检查连接，当显示"connect to host github.com port 22: Con

git查看本地分支对应哪个远程分支$ git branch -vv新建远程分支新建一个本地分支：$ git checkout -b dev把新建的本地分支push到远程服务器，远程分支与本地分支同名（当然可以随意起名）：$ git push origin dev:dev本地分支关联远程分支git branch --set-upstream-to=origin/dev devgit branch --set-upstream-to origin/...

下图的例子显示了哑协议和智能协议的差别：智能协议显示拷贝进度智能协议更快http和https需要用户名和密码，ssh协议使用公钥私钥git存储原理三大存储类型：commit, tree, blob以下案例图引用极客课程《玩转Git三剑客》...

字符串转datetimeimport datetimedate = '2022-04-19'datetime.datetime.strptime(date, '%Y-%m-%d')>>> datetime.datetime(2022, 4, 19, 0, 0)datetime转字符串import datetimedate = '2022-04-19'date = datetime.datetime.strptime(date, '%Y-%m-%d')dateti.

pandas中的算术和数据对齐数据对齐pandas中，对Series和DataFrame进行算术计算时，会自动对齐索引，如果一个索引不是在两份数据中都存在，相应的位置上会产生缺失值。Seriess1 = pd.Series(np.arange(4), index=list('abcd'))s2 = pd.Series(np.arange(4), index=list('cdef'))s1+s2>>> a NaNb NaNc 2.0d 4.0

Series根据位置或者index索引其中位置和index既可以是单独的一个值，也可以是一个数组。s1 = pd.Series(np.arange(6), index=list('abcdef'))s1>>> a 0b 1c 2d 3e 4f 5# 根据位置索引s1[[0, 2, 4]] # 等同于s1.iloc[[0, 2, 4]]>>> a 0c 2e 4# 根据index索引

StringName.zfill(width) 或者str.zfill(StringName, width)在字符串的左边填入0，使结果字符串宽度和width一致。这个函数在数字显示时特别有用。a = 'a'a.zfill(4)>>> '000a'str.zfill(a, 4)>>> '000a'str(1).zfill(2)>>> '01'['2022-{}-01'.format(str(i).zfill(2)) for i.

问题在使用matplotlib作图的时候，有的时候会遇到画图时坐标轴重叠，显示不全和图片保存时不完整的问题。如下：解决方案画图时重叠或者显示不全的问题画图时加上参数设置tight_layout=True画完所有子图后，设置plt.tight_layout()# 加上tight_layout=True 参数设置fig, axes = plt.subplots(nrows=2, ncols=1, figsize=(12,6), tight_layout=True)labels = ['2

今天在mobaxterm中使用git的时候，发现不管是敲一些命令，比如git branch -av或git log，终端的左下角都显示standard input, 必须按下q才会退出并进入终端？在网上一番查找，参考这个终于找到原因https://www.jianshu.com/p/2157b59b45e7原因：当前版本默认设置了GIT_PAGER的环境变量为busybox less -R解决方案：不想这样的话，可以在自己的bash初始化脚本中unset GIT_PAGER然后可以在自己的

impala常用命令

Python pandas中的DataFrame和Series都可以用loc, iloc切片来索引数据。iloc根据Index位置索引数据，与常规的python数据切片是前闭后开相同，iloc也是前闭后开。loc根据Index内容索引数据，与常规的python数据切片是前闭后开不同，loc是前后闭合。这一点需要注意，尤其是使用0开始的数字作为Index的时候，因为Index的内容和位置相同，所以很容易搞混。具体可以看一下以下实例的区别：import numpy as npimport pan

python list和numpy常用拼接方式list1，加号+2，append vs extend3，切片，将一个list插入另一个list的指定位置np.array1, np.append(arr, values, axis=None)2.1, np.hstack(tup) 水平拼接，可多个array2.2, np.vstack(tup) 垂直拼接，可多个array3，np.concatenate((a1, a2, ...))，可多个array4.1, np.column_stack(tup)，可多个一

在Jupyter Notebook的时候，有时需要从一个文件中拷贝多个cells到另外一个文件。如果只是简单地选中+拷贝的话，是没有用的。关键点在于使用 Esc进入command模式。 下面是具体的操作步骤：在源文件中Shift+鼠标点击或者Shift+上下箭头选中多个cell。Esc进入command模式，然后Ctrl+C。到目标文件中，点击你要复制的位置，然后Esc进入command模式，最后Ctrl+V就可以了。会了这个方式后，终于不用一个一个复制了，神清气爽！...

最近仔细看了一下Node2vec，这里汇总一下相关知识点。首先Node2vec和Deepwalk都是NLP中的word2vec在图中的拓展应用，其中Node2vec又是在Deepwalk基础上的拓展，主要有以下两个方面的改进：在图中随机游走生成序列时，Node2vec从Deepwalk的无偏进阶到参数可控的有偏。Node2vec采用Negtive Sampling代替了Deepwalk中的Hierarchical Samplingword2vecword2vec相关知识点：SkipGram

python格式化输出的几种方式方法一：formatname = 'Harry'age = 13.52'{} is {:.0f}'.format(name, age)>>>'Harry is 14'方法二：f这个是format形式的方便版name = 'Harry'age = 13.52f'{name} is {age:.0f}'>>>'Harry is 14'方法三：%name = 'Harry'age = 13.52'%s is %d

字典常用，但有些初始化方法因为不经常用就会陌生，这里总结一下。d = {'k1':1, 'k2':2}d = dict(k1=1, k2=2)一个包含tupe的listdd = [('a',1), ('b',2), ('c',3)]dict(dd)>>> {'a': 1, 'b': 2, 'c': 3}一个应用from collections import Counterdict(Counter('aabbbc').most_common())>>>

python pandas使用map, apply和applymap实现对DataFrame进行单列/行，多列/行，以及所有元素的操作map：只可以实现对DataFrame中单列或单行的操作apply: 可以实现对DataFrame的多列或多行的操作applymap: 可以实现对DataFrame中所有元素的整体操作最近在查看网上关于pandas的DataFrame使用map, apply和applymap的说明时，发现许多博文未能写清楚关键点，所以在这里整理一下每个函数的使用范围和适用情况。map：只

Python pandas 将字典dict转化为DataFrame时需避免的坑一，字典的value都是scalar，既都只有一个值二，字典的value长度不相同时先上结论：如果想将字典dict转化为只有一行的DataFrame，但字典中的值又存在数组等长度大于一的情况，可以先使用pd.Series()，再使用to_frame将Series转化为DataFrame，最后转置DataFrame。可避免一些坑。 以下是详细阐述。一，字典的value都是scalar，既都只有一个值有这样一个字典d = {

大规模数据处理：pandas DataFrame代替字典dict实现快速查询，避免循环和长耗时结论问题解决方案结论先上结论：对于规模比较大的数据，不要创建以tuple等为键的字典，可以创建pandas DataFrame，利用DataFrame的多层Index来实现查询。这样做的原因有二：创建大规模的字典时，尤其键是tuple这类数据是，非常慢。但是创建同规模的DataFrame时，效率很高。字典一次只可以查询一个键，避免不了循环。DataFrame可以返回一组键对应的值，避免循环，耗时大大减少。